Zunehmend komplexere Fahrerassistenzfunktionen werden in modernen Fahrzeugen verbaut und kombiniert. Typischerweise arbeiten diese Funktionalitäten als unabhängige Module mit jeweils eigener, getrennter Sensorik, Rechenhardware und Aktuatorik. Im Allgemeinen findet also keine Informationsfusion (d.h. Austausch und Kombination von Daten) zwischen den Modulen statt. Dennoch würde eine Informationsfusion der verschiedenen Sensoren und Rechenhardware zu einer neuen Qualität von Fahrerassistenzfunktionen führen, da Performance und Rohbustheit verbessert worden könnten. Des Weiteren basieren typische, kommerziell verfügbare Fahrerassistenzfunktionen auf hoch spezialisierten und optimierten Algorithmen, die nur in klar definierten Fällen sicher funktionieren können. Unter Anbetracht der Vielfältigkeit von möglichen Verkehrssituationen wird durch die bloße Kombination einer großen Anzahl dieser starren Funktionalitäten das strategische Ziel 'Autonomes Fahren' nicht erreichbar werden. Im Gegensatz dazu wird in der vorliegender Arbeit ein flexibles, biologisch inspiriertes Fahrerassistenzsystem entwickelt, dessen Module und Verbindungen zwischen Modulen zur Laufzeit aufgabenabhängig angepasst werden können. Genauer, werden die Struktur und bekannte Informationsverarbeitungsprozesse des menschlichen Gehirn nachgeahmt, um eine höhere Robustheit und Flexibilität des Systems zu erreichen. Der Systementwicklungsprozess zielte auf das Erreichen einer generischen Systemstruktur, die anderes als bekannte Systeme eine große Anzahl von Aufgaben unterstützt, ohne spezifisch für einzelne Aufgaben gebaut und optimiert zu sein (z.B. Detektion von schnell bewegenden Objekten, Suche nach vorherig gefundenen und wieder verlorenen Objekten, Prädiktion von Objekttrajektorien, Finden von Fahrzeugen auf der Straße). Um dem System Kontextinformationen der Szene bereit zu stellen, wurde ein Detektionssystem für unmarkierte Straßen sowie ein Ansatz zur zeitlichen Integration von Straßensegmenten entwickelt. Das Fahrerassistenzsystem wurde in Echtzeit auf einem Testfahrzeug verifiziert. In einem der vorgestellten Testszentarien wird nur basierend auf Kameradaten ein stationäres Fahrzeug in einer Autobahnbaustelle detektiert. Um eine Interaktion des Systems mit seiner Umwelt zu ermöglichen, wird ein dreiphasiges Schema zur Gefahrenabwehr durchfahren. Nach einer akustischen Warnung, werden die Gurtstraffer aktiviert, und das Fahrzeug danach autonom gebremst, um einen Zusammenstoß zu verhindern. Die erzielten Ergebnisse belegen die Anwendbarkeit des entwickelten biologisch motivierten Fahrerassistenzsystems in Applikationen der echten Welt. Durch umfangreiche Evaluierung konnten Systemeigenschaften aufgezeigt werden, die auch in psychophysischen Studien beim Menschen beobachtet wurden. Basierend auf diesen Ergebnissen, kann gesagt werden, dass das realisierte Fahrerassistenzsystem wichtige menschliche Signalverarbeitungsprinzipien gut abbildet, was eine Nutzung des Systems als aufmerksamkeitsbasierten Beifahrer des Menschen ermöglicht.
Increasingly complex driver assistance functionalities are developed and combined in to-day's vehicles. Typically, these functionalities run as independent modules bringing own sensors, processing devices and actuators. In general, no information fusion; i.e., cross talk between modules, takes place. However, information fusion of available sensors and processing modules could lead to a new quality of driver assistance functionalities in terms of performance and robustness. Furthermore, typical driver assistance functionalities on the market are based on highly specialized and optimized algorithms that show sound performance, for a restricted number of clearly defined use-cases only. Also, the combination of several of these rigid systems as a means to reach the long-term goal of autonomous driving will not lead to robust system performance, taken the immense variety of traffic situations into account. Opposed to that, in the here presented work a flexible biologically inspired driver assistance system is developed that adapts its modules and data exchange between modules online depending on the task. More specifically, the morphology of the brain as well as brain-like signal processing principles are mimicked in order to increase the robustness and flexibility of the system. Thereby, the followed development process aimed at reaching a generic system structure that supports several system tasks (e.g. detect fast objects, redetect once tracked and later lost objects, predict object trajectories, or find cars on the road). In order to include information of the scene context into the system, a robust unmarked road detection module as well as an approach for the temporal integration of road segments is developed. The realized driver assistance system is tested online and in real-time on a prototype car. In one of the presented online test scenarios, it stationary car is detected in a highway construction site based on cameras as the main sensor. In order to allow the system to interact with its environment, a three phase danger handling scheme is included into the system. Following an acoustic warning, the belt pretensioner is activated after which the vehicle brakes autonomously preventing a crash. The gathered results prove the applicability of the developed biologically inspired driver assistance system in real-world scenarios. Extensive system evaluation shows that different system properties are in close compliance with measurements gathered in psychophysical studies on humans. Based on these result, it can be stated that the realized advanced driver assistance systems closely models important human information processing principles allowing the usage of the system as attentional co-pilot for human drivers.
Task-dependent scene interpretation in driver assistance
Aufgaben gesteuerte Interpretation für Fahrerassistenzsysteme
2010
168 Seiten, 67 Bilder, 21 Tabellen, Quellen
Theses
English
Task-dependent scene interpretation in driver assistance
TIBKAT | 2010
|Scene interpretation and behavior planning for driver assistance [4023-25]
British Library Conference Proceedings | 2000
|European Patent Office | 2020
|European Patent Office | 2022
|